汽车智能化对传感器数据处理能力的要求已远超传统车载计算架构的承载范围。毫米波雷达作为环境感知系统的核心组成部分，能够提供目标距离、相对速度与方位角等关键信息，但其原始数据的计算量较大。传统方案将毫米波雷达采集的数据发送至云端处理，这种集中式架构受限于数据传输带宽与往返时延，难以满足车辆实时控制对响应速度的要求。边缘计算通过在靠近数据源头的网络边缘侧部署计算与存储资源，为毫米波雷达数据的实时处理开辟了新的技术路径。边缘计算将数据处理任务从云端下放到位于车辆附近或车载的计算节点，从而缩短从感知到决策再到执行的闭环时间。在汽车智能化场景中，毫米波雷达的数据处理闭环涵盖信号采集、目标检测、跟踪滤波、融合决策与控制指令生成等多个环节，每个环节对计算资源的调度与响应时间均有严格要求。将边缘计算引入这一链条不仅涉及计算位置的迁移，更包括处理架构的重构、算法的轻量化以及通信协议的优化。
毫米波雷达的输出形式主要分为两类，一类是经过前端处理生成的目标列表，另一类是更为原始的模拟数字转换数据或距离多普勒谱数据。目标列表虽然数据量较小，但已经丢失了部分目标的微动特征与扩展信息，在复杂环境中容易出现漏检与虚警。原始数据包含了更丰富的环境信息，但数据率较高，单个雷达每秒产生的数据量可达到数十兆比特。若将原始数据全部上传至云端，会对上行带宽造成较大压力，且传输过程中累积的延迟直接转化为控制响应的滞后。边缘计算的部署位置通常选择在路侧边缘节点或车载域控制器中。路侧边缘节点安装在交通基础设施上，为经过该节点的多辆车辆提供服务，适用于交叉路口防碰撞与匝道合流辅助等场景。车载域控制器位于车辆内部，直接接收毫米波雷达的输出并进行处理，适用于自适应巡航与自动紧急制动等单车功能。两种边缘计算节点在硬件架构上各有侧重，路侧边缘节点需要处理来自多个雷达的数据关联与多目标跟踪，对并发计算能力要求较高。车载域控制器更强调在高温、振动与有限供电条件下的实时响应能力，其处理器通常集成硬件加速单元，专门用于雷达信号的快速傅里叶变换与恒虚警率检测。
在边缘计算架构下，毫米波雷达数据的实时处理流程需要针对低延迟要求进行系统优化。雷达信号的前端处理包括距离维的快速傅里叶变换、多普勒维的快速傅里叶变换以及数字波束形成，这些操作具有高度的并行性与规律的数据访问模式，适合在边缘节点的现场可编程门阵列或图形处理器上执行。通过硬件加速，整个距离多普勒谱的计算时间可从毫秒级压缩至亚毫秒级。目标检测环节需要在距离多普勒谱中提取超过检测门限的点目标，恒虚警率检测算法根据背景噪声动态调整门限，这一过程涉及对参考窗口的统计计算。边缘计算节点可以将该算法流水线化，使检测结果在雷达数据帧到达后迅速生成。目标跟踪与滤波环节通常采用卡尔曼滤波框架对连续帧中的目标进行关联与状态估计，跟踪滤波的计算强度相对较低，但对算法的时间序列执行有严格要求，不能出现帧间延迟的抖动。边缘计算节点通过实时操作系统对跟踪任务进行优先级调度，确保滤波器的更新周期与雷达的帧周期严格同步。
低延迟响应闭环的建立需要将毫米波雷达的处理结果与车辆控制执行机构直接连接。在传统云端处理架构中，雷达数据经雷达处理器传输至车载通信模块，再通过蜂窝网络上传至云服务器，服务器完成处理后下发控制指令，指令再经网络回传至车辆执行单元。这一路径上的每个环节都会引入不确定的排队与传输延迟，总延迟可能达到数百毫秒，无法支持紧急制动或避障操作。边缘计算将数据处理闭环限制在车辆内部或车辆与路侧设备之间的短距离通信范围内。在车载边缘计算方案中，毫米波雷达直接连接到自动驾驶域控制器，控制器内部完成从信号处理到规划控制的全链条计算，最终通过控制器局域网络总线将制动或转向指令发送到执行器，整个闭环的延迟可控制在数十毫秒以内。在路侧边缘计算方案中，毫米波雷达安装在路侧杆塔上，通过低延迟有线网络连接到边缘服务器，服务器检测到碰撞风险后将预警信息通过车联网通信发送至车辆。由于通信距离较短且边缘服务器部署位置接近雷达，端到端延迟同样可以满足安全应用的时间要求。
边缘计算赋能下的毫米波雷达数据处理闭环面临着算法精度与计算效率之间的权衡。雷达原始数据处理中，高分辨率的距离多普勒谱有助于分离近距离的多个目标，但会显著增加快速傅里叶变换的点数与内存占用。恒虚警率检测中更长的参考窗口能够更准确地估计噪声背景，但需要更多的计算资源与存储空间。目标跟踪滤波中更复杂的运动模型能够更好地拟合目标的非线性运动，但模型参数估计的计算开销也随之上升。边缘计算节点的资源是有限的，必须在给定的算力与存储约束下选择最优的算法配置。这一优化过程需要结合具体的应用场景展开。在高速公路自适应巡航场景中，前方目标主要为车辆，运动相对规则，雷达的主要任务是稳定跟踪数百米范围内的车辆，此时可以选择较小的距离分辨率以换取更远的探测距离与更低的计算负载。在城市交叉路口防碰撞场景中，行人、自行车与低速转弯的车辆共存，目标运动模式复杂，要求雷达提供高分辨率的点云数据，边缘节点需要启用更高精度的信号处理算法并承担相应的计算开销。
边缘计算还解决了多毫米波雷达之间的数据融合与同步问题。一辆智能汽车通常安装多个毫米波雷达，分别覆盖前向、后向与侧向视场。在传统的分散式处理架构中，每个雷达独立完成目标检测与跟踪，然后将目标列表发送至融合模块。这种架构的主要问题是各雷达的时钟未能严格同步，导致融合时出现时间对准误差。边缘计算方案可以将多个雷达的原始数据汇聚到同一个边缘节点，由节点统一执行信号处理与检测跟踪。各雷达的采样触发可以由边缘节点集中控制，实现微秒级别的时间同步。在距离多普勒域进行空间对齐后直接进行点云级的融合检测，避免了后期目标关联的复杂计算。这种原始数据级的融合能够提高弱小目标的检测概率。融合后的点云数据经过跟踪滤波生成统一的环境模型，供决策规划模块使用。整个融合过程的附加延迟仅仅是多通道数据读取与联合处理的时间，相对于通信延迟可以忽略不计。边缘计算对毫米波雷达数据处理的另一个贡献是降低了车载网络的带宽需求。在传统架构中，各雷达通过车载以太网或控制器局域网络向中央控制器发送原始数据或高帧率目标列表，多个雷达同时传输会产生数据流竞争，导致网络拥塞与丢帧。引入边缘计算节点后，每个雷达的数据先由就近的边缘节点进行处理，节点输出的环境模型信息量远小于原始数据。数据量压缩后，跨节点的数据传输对骨干网络的占用明显减少。这种数据压缩在本质上是有损的，丢弃了未被检测为目标的微弱回波与背景噪声，但智能驾驶系统真正需要的是对动态障碍物的稳定感知，经过边缘处理提取的目标级信息足以支撑上层决策，原始回波中的细节在完成检测后不再需要传输或存储。边缘计算在减少数据传输量的同时，也降低了云端或中心节点的存储与计算压力，使整个感知系统的扩展性得到提升。
